Agents verbinden met gestructureerde gegevens

Kies een tool op basis van de gegevens die je agent nodig heeft en wie de query schrijft:

Gegevens opzoeken met Genie One

Azure Databricks raadt de Genie One MCP aan voor agenten die zakelijke vragen in de werkruimte beantwoorden in natuurlijke taal. Het gebruikt Genie Ontology om zakelijke termen te interpreteren en vraagt uw werkruimtegegevens op met de machtigingen van de aanroeper.

Volg Use MCP-tools in een Python-agent en stel server_url in op de Genie One MCP URL:

https://<workspace-hostname>/ai-gateway/mcp-services/system.ai.genie_one_mcp

Vervang <workspace-hostname> door je workspace-hostnaam. Stel vervolgens je agent een vraag over je data, zoals: "Wat waren de top 10 klanten qua omzet in het afgelopen kwartaal?"

Voor Claude Code of Codex installeer je Databricks AI Tools en gebruik je de data discovery-vaardigheid, die Genie One via de Databricks CLI bevraagt.

Vraag een specifieke Genie Agent vanuit Python

Gebruik AI Bridge om een specifieke Genie Agent als tool beschikbaar te maken in je Python-agent. AI Bridge verwerkt verzoeken, polling en queryresultaten via de Genie API.

Voor Claude Code of Codex installeer Databricks AI Tools om de vaardigheid van Genie Agents te gebruiken via de Databricks CLI.

Voordat je begint

1. Gebruik Python 3.12. Voor lokale ontwikkeling log je in met de Databricks CLI, met het DEFAULT-profiel zodat de Python-clients je inloggegevens kunnen vinden.
2. Kies een Genie Agent waartoe je identiteit toegang heeft, met de vereiste warehouse- en datarechten. Kopieer de ruimte-ID uit Instellingen en vervang <genie-agent-id> met die ID.
3. Vervang <model-endpoint> door een Azure Databricks model-endpoint dat tool calling ondersteunt en waarvoor je toestemming hebt om te queryen.
4. Voer het installatiecommando voor je framework uit in een terminal. Gebruik %pip in een notebook en herstart Python na de installatie. Voer voorbeelden uit in een notitieboek met await dat top-level await ondersteunt.

Start je agent

Beide voorbeelden laten het model ask_genie aanroepen en het resultaat ervan gebruiken in zijn antwoord. De Genie client van databricks-ai-bridge kan ook worden verpakt als een Python-functietool in andere frameworks. Het tabblad OpenAI Agents SDK toont deze client zonder LangChain-afhankelijkheid.

LangGraph

Dit voorbeeld verpakt de GenieAgent helper van AI Bridge als een LangChain-tool.

pip install --upgrade databricks-langchain langgraph

from databricks_langchain import ChatDatabricks
from databricks_langchain.genie import GenieAgent
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

genie = GenieAgent(genie_space_id="<genie-agent-id>")


@tool
def ask_genie(question: str) -> str:
    """Ask the configured Genie Agent a question about its business data."""
    response = genie.invoke({
        "messages": [{"role": "user", "content": question}]
    })
    return response["messages"][-1].content


agent = create_react_agent(
    ChatDatabricks(endpoint="<model-endpoint>"),
    tools=[ask_genie],
)
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Use Genie to find total sales last month.",
    }]
})
print(result["messages"][-1].content)

OpenAI Agents SDK

Dit voorbeeld gebruikt de AI Bridge Genie client en de function_tool decorator van de OpenAI Agents SDK. Het model draait op Azure Databricks.

pip install --upgrade databricks-ai-bridge databricks-openai openai-agents

from agents import Agent, Runner, function_tool
from agents import set_default_openai_api, set_default_openai_client
from agents.tracing import set_trace_processors
from databricks_ai_bridge.genie import Genie
from databricks_openai import AsyncDatabricksOpenAI

set_default_openai_client(AsyncDatabricksOpenAI())
set_default_openai_api("chat_completions")
set_trace_processors([])
genie = Genie(space_id="<genie-agent-id>", return_pandas=False)


@function_tool
def ask_genie(question: str) -> str:
    """Ask the configured Genie Agent a question about its business data."""
    return genie.ask_question(question).result


agent = Agent(
    name="Data analyst",
    instructions="Use ask_genie to answer questions about business data.",
    model="<model-endpoint>",
    tools=[ask_genie],
)
result = await Runner.run(agent, "What were total sales last month?")
print(result.final_output)

Controleer de output of traces van de agent om te bevestigen dat hij ask_genie aanroept en het resultaat gebruikt. Deze voorbeelden starten een nieuw Genie-gesprek voor elke toolcall. Om de context te behouden, sla je de geretourneerde gespreks-ID op voor elk gesprek van de gebruiker en geef je deze door aan de volgende oproep:

• GenieAgent: lees response["conversation_id"] en neem "conversation_id" naast "messages" in het volgende invoerwoordenboek.
• Genie: lees response.conversation_id en geef het door als conversation_id aan ask_question().

Voor clientopties en implementatiedetails, zie de AI Bridge-repository, inclusief de GenieAgent helper en de Genie client.

Wanneer je je agent host op Databricks Apps, voeg dan de Genie Agent toe als app-resource met de machtiging Can run. De serviceprincipal van de app heeft ook toegang nodig tot het model-endpoint en het onderliggende warehouse en de data.

Voer SQL uit met de Databricks SQL MCP

Gebruik de Databricks SQL MCP wanneer je agent SQL moet schrijven en uitvoeren tegen je Unity Catalog-tabellen.

Om system.ai.sandbox, system.ai.web_search of system.ai.dbsql te gebruiken, moet een accountbeheerder de Unity Gateway-bèta inschakelen via de pagina Previews van de accountconsole. Zie Accountpreviews beheren.

Volg Use MCP-tools in een Python-agent en stel server_url in op:

https://<workspace-hostname>/ai-gateway/mcp-services/system.ai.dbsql

Vervang <workspace-hostname> door je workspace-hostnaam. Vraag de agent om SELECT 1 AS result uit te voeren en bevestig dat hij het gereedschap oproept en 1 terugstuurt.

Voor codeeragenten gebruik je de setup-gids van je agent. Voor warehouseselectie en SQL-specifieke opties, zie de Databricks SQL MCP-referentie.

Voer een vooraf gedefinieerde query uit met een Unity Catalog-functie

Maak een gestructureerd ophaalprogramma met behulp van Unity Catalog SQL-functies wanneer de query van tevoren bekend is en de agent de parameters levert.

Het volgende voorbeeld creëert een Unity Catalog-functie genaamd lookup_customer_info. Het gaat ervan uit dat je een customer_data tabel hebt met customer_name, customer_id, en customer_email kolommen.

Bekijk de functievereisten en -machtigingen. Vervang my_catalog.my_schema door een catalogus en schema waarmee je functies kunt aanmaken en de tabel- en kolomnamen kunt aanpassen aan je data. Voer de volgende code uit in een SQL-editor:

CREATE FUNCTION my_catalog.my_schema.lookup_customer_info(
  customer_name_input STRING COMMENT 'Name of the customer whose info to look up'
)
RETURNS STRING
COMMENT 'Returns metadata about a particular customer, given the customer''s name, including the customer''s email and ID. The
customer ID can be used for other queries.'
RETURN SELECT CONCAT(
    'Customer ID: ', customer_id, ', ',
    'Customer Email: ', customer_email
  )
  FROM my_catalog.my_schema.customer_data
  WHERE customer_name = customer_name_input
  LIMIT 1;

Test de functie met een klantnaam uit je tabel:

SELECT my_catalog.my_schema.lookup_customer_info('Example Customer');

Gebruik vervolgens Unity Catalog AI om de functie aan je agent toe te voegen. Die gids bevat voorbeelden van LangGraph, OpenAI, Anthropic en LlamaIndex.

Gebruik Genie in een multi-agent systeem

Om Genie Agents te coördineren met andere agenten en tools, zie Supervisor Agent. Voor bestaande Model Serving integraties, zie Genie gebruiken in systemen met meerdere agenten.

Een Genie Agent raadplegen met MCP

Om verbinding te maken met een specifieke Genie Agent via MCP, zie de Genie Agent MCP-referentie voor de URL en vereisten. Om een Genie Agent uit Python zonder MCP te bevragen, gebruik je de voorbeelden van de AI Bridge-tool.